網絡輿情法律

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇網絡輿情法律范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

網絡輿情法律范文第1篇

〔關鍵詞〕相似傳播；情景聚類；協同過濾；推薦算法

DOI：10.3969/j.issn.1008-0821.2016.11.009

〔中圖分類號〕G2062〔文獻標識碼〕A〔文章編號〕1008-0821（2016）11-0050-05

〔Abstract〕In the age of the Internet era，the personalized recommendation system gradually is applied to different fields and recommendation algorithm has become a research hot spot at present.Traditional recommendation algorithm，however，often has some problems，for example a cold start，sparse data.In this paper，on the basis of researches on traditional recommendation algorithm，this paper proposed a collaborative filtering recommendation algorithm based on similarity propagation and context puting the similarity between user for user clustering，then the paper found more nearest neighbors of target users，according to the similarity propagation to finally，it recommended projects according to the forecast target users ratings.With the help of online public data，the paper implemented the proposed algorithm and verified the effectiveness of the proposed algorithm on Matlab.experiment showed that the accuracy of the proposed algorithm compared with the traditional algorithm was higher，and the proposed algorithm relieved the problems of traditional recommendation algorithm，such as the cold start and sparse data，etc.

〔Key words〕similarity propagation；context clustering；collaborative filtering；recommendation algorithm

如今，互聯網已經成為人們獲取信息的重要途徑。然而，隨著網絡上信息量越來越大，信息過載的問題也越來越嚴重，這對人們在網上快速查找精確信息造成了很大的困難。個性化推薦系統能夠根據用戶的興趣偏好、項目、需求甚至通過感知用戶的情景來向用戶推薦信息，這不僅很好地解決了信息過載的問題，同時還滿足了用戶的個性化需求。在實際應用方面，亞馬遜、當當等大型電商網站都開發出了自己的推薦系統。在學術研究領域，個性化推薦方面的研究也逐漸進入學者的視野并得到關注，例如美國的Grouplens團隊、Alexander Tuzhilin教授、Paul Resnick教授等對個性化推薦系統及相關的推薦算法進行了深入的研究[1]。

1問題的提出

協同過濾推薦算法作為目前研究較成熟、應用范圍較廣的推薦算法已被廣泛地運用于互聯網各大推薦系統中[2]。然而，傳統的協同過濾推薦算法推薦的準確率和推薦效率往往受到多方面的影響，如對于新用戶存在的冷啟動問題和由于評分矩陣數據稀少導致的數據稀疏問題對推薦算法的質量產生的影響。

本文對傳統的推薦算法進行了改進，將相似傳播的思想和用戶的情景與協同過濾推薦相結合，提出了一種基于相似傳播和情景聚類的網絡協同過濾推薦算法，在傳統協同過濾算法存在的問題得到了較好緩解的同時也提高了推薦算法推薦的準確率。

2相關概念及理論

21情景的定義

情景在不同的領域有不同的定義，心理學、情報學、哲學、組織行為學、教育學、社會學等領域的眾多學者都對情景進行了深入的研究和探討，但關于情景的定義學者們都各執己見，不能達成一致共識，因此情景一直沒有統一的定義。Dey等人認為能描述某一實體特征的信息即為情景[3]。雖然這一定義目前被廣泛引用，但由于不同領域對情景的理解各不相同，情景的定義一直無法準確給出。大多數學者都認同：情景是和實體是不可分的，情景只有與實體產生聯系才具有意義，情景可以將實體的相關信息進行詳細的描述。

22聚類的概念

聚類是利用一定的方法將數據集合劃分成簇中各成員間相似度較高但簇與簇間各不相同的多個簇的過程。聚類的結果往往隨著所使用的聚類方法的改變而改變，使用不同的聚類方法對相同的數據集進行聚類，產生的最終結果也可能不同。劃分的過程不是通過人，而是通過聚類算法進行的。

23協同過濾推薦

協同過濾推薦（Collaborative Filtering Recommendation，CFR）是根據用戶的興趣偏好及相關信息找到與用戶相似的群體，將該群體感興趣的內容作為待推薦的內容推薦給用戶。協同過濾推薦不需要用戶顯式查找自己感興趣的內容或項目，而是根據已有用戶對項目的評分來預測計算該用戶的評分，進而根據評分高低對用戶進行推薦，因此該方法在許多領域得到廣泛的應用。

3傳統協同過濾推薦算法

協同過濾推薦的原理是根據用戶的興趣偏好及相關信息找到與用戶相似的群體，將該群體感興趣的內容作為待推薦的內容推薦給用戶。其中，基于記憶的協同過濾在實際運用中運用范圍較廣，它又可以根據被計算相似度的對象的不同分為用戶和項目兩種類型[4]。

31基于用戶的協同過濾

基于用戶的協同過濾（User-based CF）推薦算法首先是查找與目標用戶相似的群體（即目標用戶的最近鄰），這一過程通常通過利用系統中已有“用戶-項目”評分矩陣中的評分數據來計算用戶與用戶之間的相似度來完成；然后根據生成的最近鄰集合中的用戶對項目的評分數據，利用評分預測計算公式來計算得到目標用戶對某一項目的預測評分；最后根據預測結果對目標用戶進行推薦。整個推薦過程大致可分為目標用戶最近鄰查找和目標用戶對項目的評分預測。余弦相似性、修正的余弦相似性、Tanimoto系數，Pearson相關系數[5]等是在計算相關系數時較常使用的方法。

User-based協同過濾推薦算法在計算用戶間的相似度時多是采用Pearson相關系數的計算方法，根據已有用戶對項目的評分矩陣進行計算。計算用戶u與u′間的相似度，計算公式如下：

sim（u，u′）=∑s∈I（u，u′）（r（u，s）-（u））（r（u′，s）-（u′））∑s∈I（u，u′）（r（u，s）-（u））2（r（u′，s）-（u′））2

其中，r（u，s）代表用戶u對項目s的評分，r（u′，s）代表用戶u′對項目s的評分；（u）代表用戶u對所有項目評分的平均分，（u′）代表用戶u′對所有項目評分的平均分；I（u，u′）代表用戶u與用戶u′都有評分的項目的集合。

通過計算目標用戶與非目標用戶間的相似度找到與目標用戶相似的用戶群體，將該群體的集合作為目標用戶的最近鄰集合D。生成最近鄰集合后，將最近鄰集合中用戶對項目的評分數據代入評分預測公式來對目標用戶進行偏好預測。預測目標用戶u對某一項目s′的評分時可采用如下公式[6]：

P（u，s′）=∑u′∈D[sim（u，u′）R（u′，s′）]∑u′∈Dsim（u，u′）

其中R（u′，s′）代表用戶u的最近鄰集合中的用戶對項目s′的評分，sim（u，u′）代表用戶u與u′的相似度，D為用戶u的最近鄰集合。

以上公式計算出來的預測結果將作為對目標用戶進行推薦的依據。

32基于項目的協同過濾

基于項目的協同過濾（Item-based CF）推薦算法首先是找到與項目相似的項目群，這一過程通常通過利用已有用戶對項目的評分數據計算項目與項目之間的相關系數來完成；項目相似群生成后，根據用戶對群體中各項目的已有評分數據來計算用戶對某一項目的預測評分；最后根據評分計算結果對用戶產生相關推薦。計算項目t與t′間的相似度，計算公式如下：

sim（t，t′）=∑u∈u（t，t′）（r（u，t）-（t））（r（u，t′）-（t′））∑u∈u（t，t′）（r（u，t）-（t））2（r（u，t′）-（t′））2

其中，r（u，t）代表用戶u對項目t的評分，r（u，t′）代表用戶u對項目t′的評分；（t）代表所有用戶對項目t評分的平均分，（t′）代表所有用戶對項目t′評分的平均分；u（t，t′）代表對項目t與t′都有評分的用戶的集合。

根據項目間相關系數的計算生成項目的最近鄰集合I，之后根據生成的相似的項目群體來預測用戶對項目的評分。如計算用戶a對項目i的預測評分，計算公式如下[7]：

P（a，i）=（i）+∑j∈I（i，j）sim（i，j）（r（a，j）-（j））∑j∈I（i，j）sim（i，j）

其中，（i）代表所有用戶對項目i評分的平均分，（j）代表所有用戶對項目j評分的平均分；sim（i，j）代表項目i與項目j間的相似度；I（i，j）代表項目i的最近鄰集合。

計算出預測評分后依據預測結果對用戶進行推薦。

然而，對于新用戶和評分數據較少的用戶，利用傳統的協同過濾推薦算法很難對其進行準確的推薦。本文在對傳統推薦算法研究的基礎上，將相似傳播的思想和用戶的情景與協同過濾推薦相結合，提出了一種基于相似傳播和情景聚類的協同過濾推薦算法，對傳統的推薦算法進行改進以解決冷啟動及數據稀疏等問題。由于在個性化推薦的過程中充分考慮用戶的情景，使得推薦結果更能滿足用戶個性化的需求，準確率也相對較高。

4基于相似傳播和情景聚類的協同過濾推薦算法

41算法思路

基于聚類的協同過濾推薦算法是根據一定的聚類算法利用已有的“用戶-項目”評分矩陣將用戶分成多個不同的簇，通過計算用戶與各簇的距離來找到與目標用戶距離最小的簇作為目標用戶的相似用戶群體，最后將目標用戶相似群體中的用戶對某一項目的加權平均分作為目標用戶對該項目的評分，以此方式來預測目標用戶對項目的偏好程度，然后對用戶進行推薦。

然而對于新用戶，由于缺少相關信息，在查找用戶最近鄰時可能會出現很大的誤差，最終影響推薦的準確性。情景能很好地描述用戶的特征，對個性化推薦有著至關重要的影響。

本文將用戶的情景因素引入到個性化推薦中，充分考慮情景對推薦效果的影響，對原有的基于聚類的協同過濾推薦算法在相似度計算公式和用戶評分預測公式進行改進，提出了一種基于相似傳播和情景聚類的協同過濾推薦算法。該算法根據用戶的情景對用戶進行聚類，同時引入相似度傳播的思想，能夠很好地緩解以前算法存在的數據稀疏性問題。

相似傳播，就是根據每個用戶或項目的最近鄰找出最近鄰的最近鄰，這樣能尋找出與目標用戶相似的更多的鄰居，提高推薦結果的準確性。例如，若用戶u的最近鄰為u1，而u1的最近鄰為u、u2和u3，則在預測用戶u對某一項目的評分時，可以根據一定的算法利用用戶u1、u2和u3的評分預測用戶u的評分，最終進行推薦。

在推薦系統中利用情景對推薦信息進行過濾的時間并非是固定的，根據利用情景的先后，可將情景感知推薦系統分為情景預過濾、后過濾與建模3種不同的形式[8]。情景預過濾是在推薦過程中首先根據用戶的情景剔除部分不匹配數據，生成與用戶情景相關的評分數據集，之后根據推薦算法對數據集進行用戶評分預測，最終將與用戶情景匹配的結果推薦給用戶。本文所提算法工作流程圖如圖1所示：

42算法

本文所提算法大致可分為以下3個步驟：

421聚類

本文根據用戶情景的不同將用戶進行聚類。首先確定出k個聚類中心，然后計算不同情景間的相似度，依此將用戶分成k個簇，使得每個簇中的用戶有相似的情景。由于情景的屬性是混合型的，在計算情景間相似度前需對用戶的情景進行抽象描述。本文通過采用余弦相似性計算用戶情景的相似性對用戶進行聚類。將用戶的情景定義為C，計算情景C1與情景C2間的相似性的計算方式如下：

sim（C1，C2）=C1?C2C1C2

通過計算情景間的相似性，將情景相似度高的用戶聚類在一起，生成情景最近鄰集合M。

422最近鄰集合的生成

計算目標用戶到通過情景聚類得到的各簇之間的距離，找到與目標用戶距離最近的簇，并計算目標用戶與簇中各用戶間的相似度。本文在傳統的計算用戶相似度的基礎上引入用戶的情景因素，對傳統的相似度計算方法進行改進，提出了基于情景的用戶相似度的計算，如計算目標用戶u與用戶u′間的相似度，計算方法如下：

sim（u，u′）=∑j∈I（u，u′，c）（r（u，c，j）-（u，c））（r（u′，c，j）-（u′，c））∑j∈I（u，u′，c）（r（u，c，j）-（u，c））2（r（u′，c，j）-（u′，c））2

其中，r（u，c，j）代表用戶u在情景c下對項目j的評分，r（u′，c，j）代表用戶u′在情景c下對項目j的評分；（u，c）代表用戶u在情景c下對所有項目評分的平均分，（u′，c）代表用戶u′在情景c下對所有項目評分的平均分；I（u，u′，c）代表用戶u與用戶u′在情景c下有共同評分的項目的集合。

根據以上公式計算出目標用戶與簇中各用戶的相關系數，將與目標用戶相似度較高的用戶放入同一集合中，生成目標用戶的最近鄰集合N。

在計算項目與項目間的相似度時，本文在基于項目的協同過濾經典算法Slope One算法[9]中引入用戶的情景，形成“用戶-情景-項目”模型，在計算項目間相似度時將情景因素對用戶對項目評分的影響考慮在內，提出基于情景的項目相似度計算方法，計算項目t與項目t′的相似度的計算方法如下：

sim（t，t′）=1-∑u∈U（c，t，t′）[r（u，c，t）-r（u，c，t′）]U（c，t，t′）Pm

其中r（u，c，t）代表用戶u在情景c下對項目t的評分，r（u，c，t′）代表用戶u在情景c下對項目t′的評分；U（c，t，t′）代表在情景c下對項目t與t′均有評分的用戶數，U（c，t，t′）代表在情景c下對項目t與項目t′均有評分的用戶的集合，Pm表示滿分評分。

通過計算項目間的相關性生成項目的相似項目群作為項目的最近鄰集合A。

423推薦的生成

假設用戶u的用戶最近鄰集合表示為N，情景c的情景最近鄰集合表示為M，項目t的項目最近鄰集合表示為A，則用戶u在情景c下對項目t的預測評分Gu，c，t可通過目標用戶u的用戶最近鄰集合N中的用戶在情景c下對項目t的評分，目標用戶u在情景c的情景最近鄰集合M下對項目t的評分，以及目標用戶u在情景c下對項目t的項目最近鄰集合A中項目的評分求得。用戶u在情景c下對項目t的預測評分計算方法如下：

Gu，c，t=13k1∑u′∈Nsim（u，u′）[R（u′，c，t）-（u′，c）]+（u，c）+k2∑c′∈Msim（c，c′）[R（u，c′，t）-（c′，t）]+12[（c，t）+（u，c）]+k3∑t′∈Asim（t，t′）[R（u，c，t′）-（c，t′）]+（c，t）

其中k1=1∑u′∈Nsim（u，u′），k2=1∑c′∈Msim（c，c′），k3=1∑t′∈Asim（t，t′）。R（u′，c，t）代表用戶u′在情景c下對項目t的評分，R（u，c′，t）代表用戶u在情景c′下對t的評分，R（u，c，t′）代表用戶u在情景c下對項目t′的評分；（u′，c）代表用戶u′在情景c下對所有項目評分的平均分，（c′，t）代表所有用戶在情景c′下對項目t評分的平均分，（c，t′）代表所有用戶在情景c下對項目t′評分的平均分；（u，c）代表用戶u在情景c下對所有項目評分的平均分，（c，t）代表所有用戶在情景c下對項目t的評分的平均分。

43實驗和結論

為了驗證本算法的有效性，筆者利用Matlab進行了驗證。本文用來驗證的數據集來自Grouplens提供的公開數據集，該數據集中包含了用戶的情景信息、用戶對電影的評分（1～5分之間）。筆者通過對公開數據集中數據的處理，從原始數據集中選出評分較多的用戶，其中包括1 000名用戶在不同情景下對3 000部電影做出的160 000條評分作為驗證數據，其中用來訓練的數據占70%，用來測試的數據占30%，實驗對預測分數達45分以上的電影向用戶做推薦。

在仿真過程中，通過計算不同算法（含本文算法與傳統算法）間的平均絕對誤差（MAE，Mean Absolute Error）來加以證明本文算法的有效性。設預測評分集合為P={p1，p2，p3，…，pi，…，pn}，實際評分集合為Q={q1，q2，q3，…，qi，qn}，則平均絕對誤差的計算公式如下：

MAE=∑ni=1pi-qin

所得結果如圖2所示。由圖中可看出在最近鄰數目相同時，本文算法的MAE值明顯小于Slope One算法和傳統的協同過濾推薦算法，本文所提算法推薦的準確率與以上兩種算法相比相對較高。

5結語

本文在對用戶進行推薦時充分考慮用戶的情景因素對推薦結果的影響，根據情景間的差異將用戶進行聚類，且在計算用戶和項目相似度以及用戶對項目的預測評分時也將情景的影響考慮在內，最終實現對用戶的項目推薦，仿真實驗證明了本文所提算法是有效且可行的。由于在推薦過程中不僅考慮用戶的情景因素對用戶偏好的影響，同時引入相似傳播的思想使得目標用戶能找到更多的鄰居，這樣很好地緩解了傳統算法中一直存在的冷啟動問題，而且進一步提高了推薦算法的準確率。但由于在根據用戶情景對用戶進行聚類時需反復迭代，計算所花時間較長，造成整個推薦過程所花時間相對較長，因此未來的研究希望能圖2不同算法的MAE值比較

在提高推薦效率上有所突破。

參考文獻

[1]馮鵬程.基于情境感知的個性化推薦算法的研究[D].上海：東華大學，2014.

[2]鄧曉懿，金淳，韓慶平，等.基于情境聚類和用戶評級的協同過濾推薦模型[J].系統工程理論與實踐，2013，（11）：2945-2953.

[3]詹麗華，李育嫦，潘瑞冰.基于情景感知的移動搜索的演變和實現[J].圖書館理論與實踐，2015，（11）：102-105.

[4]奉國和，梁曉婷.協同過濾推薦研究綜述[J].圖書情報工作，2011，16：126-130.

[5]邱均平，張聰.高校圖書館館藏資源協同推薦系統研究[J].圖書情報工作，2013，22：132-137.

[6]羅文.協同過濾推薦算法綜述[J].科技傳播，2015，（7）：115，196.

[7]董坤.基于協同過濾算法的高校圖書館圖書推薦系統研究[J].現代圖書情報技術，2011，（11）：44-47.

網絡輿情法律范文第2篇

網絡媒介是一種巨大的電子信息媒介，要想實現對網絡的整體管制是比較困難的，因此政府部門應該加大對突發事件網絡輿情的監管力度，對網絡輿情實行行政監管。新時代，網絡環境日趨國際化，各國對于網絡輿情的管理方式不盡相同。我國對于網絡輿情的管理理念是多管齊下，各項工作同時展開，從上到下建立健全網絡輿情管理體制，每個部門做好本職工作，并將突發事件網絡輿情的管理法治化，在解決突發事件的過程中，對于嚴重損害網絡信息管理的個人或行為，可以采取法律的手段來進行制止。另外，國家廣電總局對于網絡資源的控制上，是通過層層篩選、層層把關，盡最大努力凈化網絡環境，對各項網絡信息進行細心審查，避免造成網絡輿論信息混亂。

2強化互聯網行業和相關媒體的自我約束意識

網絡媒介作為互聯網行業的一個分支，要想真正地管理好網絡輿情，只靠國家相關部門的約束和管理是遠遠不夠的，還需要從事這一行業的相關媒體的共同努力，確保自身的行為符合國家相關法律法規。對于處于互聯網行業中的各公司、各媒體，應該成立各自的行業監管協會，對于違規行為，應該及時制止并督促其改正，對于行為比較惡劣的，可以采用法律的手段進行制裁。眾人拾柴火焰高，只有行業中的每一成員嚴格做好自己分內的事，加強對網絡資源的審查，這樣在面臨突發事件時，才可以有效地避免網絡輿情亂象的發生，使得網絡環境得到平穩、和諧的發展。

3加強突發事件網絡輿情管理能力

盡管國家一直在完善突發事件網絡輿情的管理，但還會有一些網絡輿情失控的現象發生，在面臨這些問題時，相關部門應該就具體情況具體分析，及時找出事情發生的原因，這就需要相關部門在日常的訓練中，加強對于突發事件網絡輿情的管理能力。在行業內部，應該加強網絡管理工作者的綜合能力，定期組織他們進行學習培訓，明確突發事件網絡輿情應對的基本理念和思想，開展突發事件網絡輿情的研究工作，定期組織相關工作人員進行實情演練，提高他們應對突發事件網絡輿情的處理能力，避免在發生突發事件時束手無策。堅實的突發事件網絡輿情管理工作者是凈化網絡環境的基本保障，因此加強突發事件網絡輿情管理能力是十分重要的。

4結語

網絡輿情法律范文第3篇

關鍵詞：網絡輿情；應對策略；探討

網絡輿情就是現階段的網絡傳播中，媒體大眾和民眾網友通過各種網絡渠道對當下社會熱點話題和公眾關注的事件進行談論、評論、發表觀點和看法的一種現象。網絡輿情是社會輿論的一種表現形式，隨著網絡的普及和廣泛應用，越來越成為民眾表達意見、發表不滿、傳遞情感的一種主要方式。因此，網絡輿情的引導和控制是確保社會穩定和民眾心態陽光、健康的一種必要策略和手段。應對網絡輿情應該從根源上嚴格篩選信息的健康程度和可傳播性，對于已經造成一定影響的網絡輿情要通過相應的方式應對、控制。

一、目前我國網絡輿情現狀與載體

網絡輿情的社會影響力主要受到網民數量、參與人數等因素的影響。截止到2016年的統計數據，在我國，上網網民的總數已經達到了7.1億，手機網民總數已經高達6.56億。這在我國15歲到60歲的成年人9.4億的人口比重中，網民數量的比例高達76%。由此可見我國網絡信息化的發展程度和廣泛程度。通過網絡、手機網絡S時隨地的觀看消息、關注社會熱點、發表言論、已經成為成年人生活的重要組成部分。比較知名的新浪博客、百度貼吧、各大論壇等都在極力助推網絡評論版塊的發展，各種軟件的手機客戶端和微信、QQ也成為傳播輿論的主要途徑。

二、網絡輿情的分類和營銷

（一）社會事件和公眾現象導致的網絡輿情

網絡輿情雖然是在網絡上傳播的一種言論，但是所談論的話題往往是當下社會的熱點話題和流行趨勢。網絡輿論是有針對性的針對某一社會狀況和民眾事件引發的大規模的談論和思想導向。就目前網絡輿情的統計分析，我國民眾普遍關注的社會熱點話題有社會養老、薪酬保障、公共醫療等。的網絡輿情主要也是反應了民眾切身利益的問題和有關政策策略。

（二）小道消息及虛假消息導致的負面輿情

由于社會輿情能夠造成很大的社會反應和民眾聚集度，有些社會事件造成的大規模網絡輿情產生了一定的經濟效益。有些不法分子就利用網絡輿情造成的大規模的社會言論從中謀取不法利潤。他們借助我國現階段網絡管理制度的不完善現狀，鉆空子、走偏鋒，故意、蓄意捏造虛假消息和負面報道，有些甚至存在欺詐、勒索等犯罪事實，造成民眾大規模的社會反響和反對浪潮。使網絡環境形成了非常不健康、不文明的狀態。

（三）真人真事與社會道德弘揚的正面輿情

除了負面、惡劣的網絡輿情，還存在很多正面、積極的網絡輿情。網絡雖然更大比例是宣泄、、抒發不滿、宣泄情緒的地方。但同時也是弘揚正能量、倡導社會善舉的優良土壤。近年來，很多社會上的好人好事，樂于救人、見義勇為、綠色通道等好人好事也大量在網絡中轉帖、流傳，大量的正面輿情不斷跟帖、跟贊。網絡輿情同時也宣傳了很多正義、善良的新聞事件，在社會中也形成了效仿和認可的局面。

三、針對網絡輿情應對的策略

（一）構筑大數據網絡

要想更全面、更系統的控制網絡輿情，就需要構筑大數據網絡平臺。目前我國網絡輿情是把整個網絡體系分散成一個一個的單元進行監管和控制，單元型的網絡輿情監控在可控范圍內能夠發揮其實時控制的作用，但是由于單元型的網絡監管只是局部的管控，單元和單元之間也存在一定程度的“空隙”，在“各自為政”的單元區域網絡監控的狀態下，很多邊緣性網絡輿論言論就容易蔓延、滋生。全局性的網絡監控就越來越凸顯出不健全和不到位，單元型的網絡控制互相之間的溝通、協調大都不到位。而且各個信息系統的信息化檔次和操作人員水平也參差不齊，構成了信息互聯的巨大阻礙。因此，構筑大數據網絡成為了必然要求。只有把單元區域的網絡監管統一起來，才能夠從全局上把握和掌控輿論的正面性和陽光性。有了大數據的互聯互通，才能夠實現數據庫的完整共享并實現實時數據溝通。

（二）構建專業輿情應對體系

構建網絡輿情應對體系首先應該升級網絡輿情監測系統。不良社會效應的網絡輿情很多都是從源頭開始沒有監管到位。由于網絡大數據的信息量和數據量不斷增長，信息傳遞的方式方法又呈現多樣化、偏門化趨勢，這樣給輿情監管帶來非常大的工作困難。怎樣通過輿情監管把輿情信息有效、正確的篩選是初步選擇。一般來說，目前我國輿情監管系統存在篩選不到位，新型信息數據錄入不到位，信息抓取有疏漏，人工化、原始化嚴重，智能化水平不高等狀況。但是面對一日萬里的信息大爆發，現階段的輿情監控水平完全不能跟上信息發展的速度。所以造成了很多負面輿情、不利言論在形成一定規模之后才大量進行刪減、屏蔽。這樣的輿情效率工作低下，不利于后期輿情應對和妥善處理。

（三）完善網絡輿情法律法規，落實新聞發言人體制

要想強化網絡輿情應對體系，還要落實新聞發言人體制。只有落實了網絡輿情傳播的首問責任，追究到源頭，實名認證，有據可查，可以追朔源頭，依靠法律法規的健全和完善，對蓄意傳播具有惡劣影響的網絡言論的不法人士依法懲罰。能夠從源頭就對新聞和言論的人產生一定的威懾力和約束力，每個網絡言論傳播人員對所傳播的內容負責，從而實現輿情言論的良好控制。

四、結論

綜上所述，網絡輿情是隨著網絡信息的飛速發展和信息傳遞的高速運行而產生的一種新型的社會輿論問題，它是通過虛擬平臺傳遞現實狀況的一種體現。政府各個部門應該高度重視，從設備上、人員上和法律制度上不斷的完善和健全網絡輿情監管力度，從而實現網絡輿情的正確應對。

參考文獻：

[1]崔智慧.新媒體時代網絡輿情的分析及引導策略[J]，青年記者（中旬刊），2015，02（02）：70-71.

網絡輿情法律范文第4篇

一、 工作職責

（一）做好網上政務公開工作。定期不定期在網上工商職能范圍內的政務信息。工商部門出臺的各項規劃、各種規章制度和推進的各項重大建設，凡能公開的，都應在網上及時公開，讓網民提出意見和建議，接受監督。

（二）在線受理、答復和處理網民反映事項。積極登錄相關網站互動式欄目，及時受理、答復和處理網民涉及工商職能范圍內工作的投訴、意見和建議，做到“反映即受理，受理即處理”。

（三）組織開展網上宣傳引導活動。結合工商部門工作實際，追蹤、研判熱點難點問題，組織網上宣傳，對網上影響較大、議論較多的輿情發表權威言論，掌握網上輿論主導權和話語權。對重大突發事件所引起的網上輿情及嚴重影響社會政治穩定的重要輿情，應按照市政府的有關要求，遵循分級處置、屬地管理、分工負責、快速反應原則，積極監控、研判，并加強信息和輿論引導。

（四）加強和完善版塊管理。組織網絡評論員對工商部門負責的版塊進行動態管理，包括編輯精華區、活躍版面、依據《互聯網電子公告服務管理規定》審帖、刪除違規帖子等。

二、工作分工

根據網絡發言人工作團隊特點，設立網絡發言人、網絡主持人、網絡主持人輔助人員（輿情監測員）、網絡評論員崗位：

（一）網絡發言人：負責對開展網絡宣傳策劃，網絡信息，用發帖、跟帖等形式回復網絡輿論，進行網絡輿情引導等工作的統一組織領導協調。

（二）網絡主持人：協助網絡發言人工作，具體組織實施有針對性地開展網絡宣傳策劃、網絡輿情答復、引導等工作。

（三）網絡主持人輔助人員（輿情監測員）：密切監控網絡輿情，提供輿情資訊，發現涉及我市工商部門的網絡輿情信息及時向網絡主持人報告；以網絡發言人身份將經審定的答復意見在相應互動式欄目進行正面回復。

（四）網絡評論員：根據網絡發言人的統一指揮，主動介入有關網站的交互式欄目（論壇、貼吧、說吧、留言板等），在網上就關注的涉及我市工商部門的熱點問題、難點問題參與評論，主動導貼、積極跟帖，及時引導網上輿論，維護工商部門的正面形象，最大程度上消除各種負面影響。

（五）業務法律顧問：對網絡涉及工商部門業務事項接受法律咨詢，對有關回復內容進行審核把關，對熱點問題、難點問題提供相關法律意見。

三、工作流程

（一）搜集。輿情監測員原則上要保持相關熱點論壇在線狀態，發現涉及我市工商部門的網絡輿情信息及時向網絡主持人報告。

（二）受理。網絡主持人對涉及工商部門職責范圍內的網民投訴、意見和建議，要盡快做出初步回應（一般不應超過網民發帖_小時），及時組織網絡評論員以網民身份進行輿論引導（對需以市工商局網絡發言人身份正面回應的事項繼續按以下流程進行）。有關涉法、涉訴等不宜公開的網民反映事項，按有關規定處理。

（三）辦理。受理網民反映事項后，辦公室要及時登記并核實其內容的真實性，根據業務職能通過oa系統轉業務科室研究處置措施和答復口徑。

（四）答復。辦公室將業務科室經oa發文流程審定的答復意見，由輿情監測員以網絡發言人身份在相應互動式欄目答復。答復的時限為網民反映事項后_個工作日內（節假日順延），確需延長辦理時間的不得超過__個工作日。同時積極利用工商紅盾信息網站及其他網站同時答復。

（五）處理和再答復。在做出答復的同時或答復后，相關業務科室應認真組織力量處理網民反映事項。對于確需更長時間或需多部門聯合處置的網民反映事項，要會同辦公室以網絡發言人身份動態跟帖通報處理的進展和結果，對網民質疑要再回應，還要盡可能同時在新聞媒體上公布有關情況。

四、指導、監督

網絡輿情法律范文第5篇

今年，在縣委、縣政府的正確領導下，在縣互聯網中心的指導下，我辦高度重視網絡輿情工作，本著全面、及時、準確、實效的原則，切實做好輿情處置工作，現將具體工作情況匯報如下：

一、領導高度重視，本辦全員參與網絡輿情工作

年初，《關于印發**縣2017年度網絡輿情宣傳管理工作考核辦法的通知》*委辦[2018]29號文件精神，成立網絡輿情宣傳工作領導組，由縣委辦副主任、縣委臺辦主任賈伯根任組長，縣委臺辦主任袁副組長，徐向東為本辦網絡發言人，本辦其他人員任組員。七月，由于負責人職務變動，按照要求，本辦及時調整網絡輿情工作領導小組名單，組長改由孫中主任擔任。本辦已為網絡發言人配備了計算機、打印機、復印機、電話等辦公設備。

二、注重實效，扎實有效開展網絡輿情處置工作

本辦網絡發言人按要求工作日上網簽到，遇特殊情況及時向主管部門報告，保證每月簽到22次以上。通訊工作保持24小時暢通。每天按要求瀏覽“海田漫思”、“海田網事”、“海田網”等范圍內有影響的網站，關注與本辦、本縣有關的帖子，確保第一時間發現輿情，將矛盾消除在萌芽時期。認真做好交辦的發帖、跟帖等交辦工作。

三、強化職責，及時高效做好輿情網絡宣傳工作

本辦網絡發言人按要求每天瀏覽，并每月轉發500條以上微博信息，較好地宣傳。本辦利用網絡信息量大、傳播速度快的特點，做好臺辦宣傳工作，全年在網事網站發表宣傳帖子30余篇，并按要求完成上級交辦的跟帖、回帖工作。

四、積極處置，妥善完成好網絡輿情專項工作

本辦積極處置《輿情專報》、《輿情交辦》等事項，消除網上不良影響。積極響應網絡宣傳交辦工作，妥善處置重大輿情，注意擴大本辦的知名度和巧妙化解危機。

五、嚴格要求，認真做好網絡輿情歸檔工作

根據領導的要求，認真好履行本辦的工作職責，搞好網絡輿情工作。每天安排好網絡回帖人員，負責對涉及本縣的相關輿情進行收集，并在發現輿情時及時上報分管領導，對于網絡重大事件實行專職人員上網瀏覽、發帖、跟帖、回復及網絡信息宣傳等情況的記錄，認真做好網絡輿情處置和網絡宣傳等方面的資料歸檔工作。

六、2014年工作打算

1、加強與兄弟單位的學習合作，加強輿情信息的溝通與交流。加強與兄弟單位間的輿情信息的溝通與交流，能夠高效的處置網絡輿情事件。